点一下关注吧!!!非常感谢!!持续更新!!!
目前已经更新到了:
- Hadoop(已更完)
- HDFS(已更完)
- MapReduce(已更完)
- Hive(已更完)
- Flume(已更完)
- Sqoop(已更完)
- Zookeeper(已更完)
- HBase(已更完)
- Redis (已更完)
- Kafka(已更完)
- Spark(正在更新!)
章节内容
上节我们完成了如下的内容:
- SparkSQL 语句 编码 测试 结果
- 输入输出
- 数据源包含如Parquet、JSON、CSV、Avro、ORC、Hive、JDBC、ODBC
- TextFile
SparkSQL中的Join
数据分析中将两个数据集进行Join操作是很常见的场景。在Spark的物理计划阶段,Spark的Join Selection类会根据Join Hints 策略,Join表的大小、Join是等值Join还是不等值以及参与Join的Key是否可以排序等条件来选择最终的Join策略,最后Spark会利用选择好的Join策略执行最终的计算。
当前Spark一共支持五种Join策略:
- Broadcast hash join (BHJ)
- Shuffle hash join (SHJ)
- Shuffle sort merge join(SMJ)
- Shuffle-and-replicate nested loop join,又叫笛卡尔积(Cartesian product join)
- Broadcast nested loop join(BNLJ)
其中 BHJ 和 SMJ 这两种 Join 策略是我们运行 Spark 任务最常见的。
JoinSelection 会先根据 Join 的 Key 为等值Join来选择 Broadcast hash join、Shuffle hash join、Shuffle sort merge join中的一个。
如果Join的Key为不等值Join或者没有指定Join条件,则会选择Broadcast nested loop join 或 Shuffle-and-replicate nested loop join。
不同的Join策略在执行效率上差别很大,了解每种Join策略的执行过程和适用条件是很有必要的。
Broadcast Hash Join
Broadcast Hash Join 的实现是将小表的数据广播到Spark所有的Executor端,这个广播过程和我们自己去广播数据没有什么区别:
- 利用 Collect 算子将小表的数据从Executor端拉到Driver端
- 在Driver端调用sparkContext.broadcast广播到所有Executor端
- 在Executor端使用广播的数据与大表进行Join操作(实际上执行Map操作)
这种Join策略避免了Shuffle操作,一般而言,Broadcast Hash Join会比其他Join策略执行的要快。
使用这种 Join 策略必须满足如下的条件:
- 小表的数据必须很小,可以通过 spark.sql.autoBroadcasetJoinThreshold 参数来配置,默认是10MB
- 如果内存比较大,可以将阈值适当加大
- 将 spark.sql.autoBroadcastJoinThreshold 参数设置为-1,可以关闭这种连接方式
- 只能用于等值Join,不要求参与Join的keys可排序
Shuffle Hash Join
当表中的数据比较大,又不适合使用广播,这个时候就可以考虑 Shuffle Hash Join。
Shuffle Hash Join 同样是在大表和小表进行Join的时候选择了一种策略。
它的计算思想是:把大表和小表按照相同的分区算法和分区数据进行分区(根据参与Join的Keys进行分区),这样保证了 Hash 值一样的数据都分发到同一个分区中,然后在同一个 Executor 中两张表 Hash 值一样的分区就可以在本地进行Hash Join了。在进行 Join 之前,还会对小表的分区构建 Hash Map,Shuffle Hash Join 利用了分治思想,把大问题拆解成小问题去解决。
要启动 Shuffle Hash Join 必须满足以下条件:
- 仅支持等值 Join,不要求参与Join的Keys可排序
- spark.sql.join.perferSortMergeJoin 参数必须设置值为 false,参数从Spark2.0版本引入,默认值是true,也就是默认情况下是 Sort Merge Join
- 小表的大小(plan.stats.sizeInBytes)必须小于(spark.sql.autoBroadcastJoinThreshold * spark.sql.shuffle.partitions(默认200))
- 而且小表大小(stats.sizeInBytes)的三倍必须小于等于大表的大小(stats.sizeInBytes),也就是(a.stats.sizeInBytes * 3 < b.stats.sizeInBytes)
Shuffle Sort Merge Join
前面两种Join策略对表的大小都有条件的,如果参与Join的表都很大,这时候就得考虑用 Shuffle Sort Merge Join了。
Shuffle Sort Merge Join 的实现事项:
- 将两张表按照 Join Key进行Shuffle,保证 Join Key值相同的记录会被分在相应的分区
- 对每个分区内的数据进行排序
- 排序后再对相应的分区内的记录进行连接
无论分区多大,Sort Merge Join都不用把一侧的数据全部加载到内存中,而是即用即丢。
因为两个序列都有序,从头遍历,碰到Key相同的就输出,如果不同,左边小取左边,反之就取右边。
这样大大提高了大数据量下的SQL Join的稳定性。
要启用Shuffle Sort Merge Join必须满足以下条件:
- 仅支持等值 Join,并且要求参与 Join 的 Keys 可排序
Cartesian Product Join
如果Spark中两张参与Join的表没有指定连接条件,那么产生Cartesian Product Join,这个Join得到的结果其实就是两张表行数的乘积。
Broadcast Nested Loop Join
可以把 Broadcast Nested Loop Join的执行看做下面的计算:
scala
for record_1 in relation_1:
for record_2 in relation_2:
# join condition is executed
可以看出 Broadcast Nested Loop Join 在某些情况会对某张表重复扫描多次,效率非常低。从名字可以看出,这种Join会根据相关条件对小表进行广播,以减少表的扫描次数。
Broadcast Nested Loop Join支持等值和不等值Join,支持所有的Join类型。
SQL解析过程
基本概念
SparkSQL 可以说Spark中的精华部分,原来基于RDD构建大数据计算任务,重新在向Dataset转移,原来基于 RDD 写的代码也在迁移。
使用 SparkSQL 编码的好处是非常大的,尤其是性能方面,有很大提升。SparkSQL 中各种内嵌的性能优化比写RDD遵循各种最佳实践更加靠谱。
尤其对于新手来说,比如先 Filter 再 Map,SparkSQL中会自动进行谓词下推,Spark SQL中会自动使用 Broadcast Join来广播小表,把 Shuffle Join转换为 Map Join等等。
SparkSQL对SQL语句的处理和关系型数据库类似,即词法/语法解析、绑定、优化、执行。SparkSQL会先将SQL语句解析成一棵树,然后使用规则(Rule)对Tree进行绑定、优化等处理过程。
SparkSQL由:Core、Catalyst、Hive、Hive-ThriftServer四部分构成:
- Core:负责处理数据的输入和输出,如获取数据,查询结果输出成DataFrame等
- Catalyst:负责处理整个查询过程,包括解析、绑定、优化等。
- Hive:负责对Hive数据进行处理
- Hive-ThriftServer:主要用于对Hive的访问
SparkSQL的代码复杂度是问题的本质复杂度带来说,SparkSQL中的Catalyst框架大部分逻辑是在一个Tree类型的数据结构上做各种折腾,基于Scala来实现还是很优雅的,Scala的偏函数和强大的Case正则匹配,让整个代码看起来非常优雅。
SparkSession是编写Spark应用代码的入口,启动一个spark-shell会提供给你创建spark-session,这个对象是整个Spark应用的起始点,以下是SparkSession的一些重要的变量和方法:
编写代码
scala
package icu.wzk
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestDemo01 {
def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder()
.appName("TestDemo01")
.master("local[*]")
.getOrCreate()
spark.sparkContext.setLogLevel("warn")
import spark.implicits._
Seq((0, "zhansan", 10),
(1, "lisi", 11),
(2, "wangwu", 12)).toDF("id", "name", "age")
.createOrReplaceTempView("stu")
Seq((0, "chinese", 80),
(0, "math", 100),
(0, "english", 98),
(1, "chinese", 86),
(1, "math", 97),
(1, "english", 90),
(2, "chinese", 90),
(2, "math", 94),
(2, "english", 88)).toDF("id", "subject", "score")
.createOrReplaceTempView("score")
val df: DataFrame = spark.sql(
"""
|SELECT SUM(v) AS total_score, name
|FROM (
| SELECT stu.id, 100 + 10 + score.score AS v, name
| FROM stu
| JOIN score ON stu.id = score.id
| WHERE stu.age >= 11
|) tmp
|GROUP BY name
|""".stripMargin)
df.show()
// 打印执行计划
println(df.queryExecution)
println(df.queryExecution.optimizedPlan)
spark.close()
}
}
运行输出
执行代码可见控制台输出如下数据(我就不往服务器发了):
控制台的内容如下图所示:
shell
+-----------+------+
|total_score| name|
+-----------+------+
| 602|wangwu|
| 603| lisi|
+-----------+------+
== Parsed Logical Plan ==
'Aggregate ['name], ['SUM('v) AS total_score#27, 'name]
+- 'SubqueryAlias `tmp`
+- 'Project ['stu.id, ((100 + 10) + 'score.score) AS v#26, 'name]
+- 'Filter ('stu.age >= 11)
+- 'Join Inner, ('stu.id = 'score.id)
:- 'UnresolvedRelation `stu`
+- 'UnresolvedRelation `score`
== Analyzed Logical Plan ==
total_score: bigint, name: string
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- SubqueryAlias `tmp`
+- Project [id#7, ((100 + 10) + score#22) AS v#26, name#8]
+- Filter (age#9 >= 11)
+- Join Inner, (id#7 = id#20)
:- SubqueryAlias `stu`
: +- Project [_1#3 AS id#7, _2#4 AS name#8, _3#5 AS age#9]
: +- LocalRelation [_1#3, _2#4, _3#5]
+- SubqueryAlias `score`
+- Project [_1#16 AS id#20, _2#17 AS subject#21, _3#18 AS score#22]
+- LocalRelation [_1#16, _2#17, _3#18]
== Optimized Logical Plan ==
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- Project [(110 + score#22) AS v#26, name#8]
+- Join Inner, (id#7 = id#20)
:- LocalRelation [id#7, name#8]
+- LocalRelation [id#20, score#22]
== Physical Plan ==
*(2) HashAggregate(keys=[name#8], functions=[sum(cast(v#26 as bigint))], output=[total_score#27L, name#8])
+- Exchange hashpartitioning(name#8, 200)
+- *(1) HashAggregate(keys=[name#8], functions=[partial_sum(cast(v#26 as bigint))], output=[name#8, sum#38L])
+- *(1) Project [(110 + score#22) AS v#26, name#8]
+- *(1) BroadcastHashJoin [id#7], [id#20], Inner, BuildLeft
:- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint)))
: +- LocalTableScan [id#7, name#8]
+- LocalTableScan [id#20, score#22]
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- Project [(110 + score#22) AS v#26, name#8]
+- Join Inner, (id#7 = id#20)
:- LocalRelation [id#7, name#8]
+- LocalRelation [id#20, score#22]
分析内容
queryExecution 就是对整个执行计划的执行引擎,里面有执行过程中各个中间过程变量,整个执行流程如下:
刚才的例子中的SQL语句经过Parser解析后就会变成一个抽象语法树,对应解析后的逻辑计划AST为:
shell
== Analyzed Logical Plan ==
total_score: bigint, name: string
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- SubqueryAlias `tmp`
+- Project [id#7, ((100 + 10) + score#22) AS v#26, name#8]
+- Filter (age#9 >= 11)
+- Join Inner, (id#7 = id#20)
:- SubqueryAlias `stu`
: +- Project [_1#3 AS id#7, _2#4 AS name#8, _3#5 AS age#9]
: +- LocalRelation [_1#3, _2#4, _3#5]
+- SubqueryAlias `score`
+- Project [_1#16 AS id#20, _2#17 AS subject#21, _3#18 AS score#22]
+- LocalRelation [_1#16, _2#17, _3#18]
在执行计划中 Project/Projection 代表的意思是投影
其中过滤条件变为了 Filter 节点,这个节点是 UnaryNode (一元节点)类型,只有一个孩子。
两个表中的数据变为了 UnresolvedRelation 节点,节点类型为 LeafNode,即叶子节点,Join操作为节点,这个是一个BinaryNode节点,有两个孩子。
以上节点都是LogicalPlan类型的,可以理解为各种操作的Operator,SparkSQL对各种操作定义了各种Operator。
这些 Operator 组成的语法树就是整个 Catatyst 优化的基础,Catatyst优化器会在这个树上进行分析修改,把树上的节点挪来挪去进行优化。
经过Parser有了抽象语法树,但是并不知道Score,Sum这些东西,所以就需要 Analyer 定位。
Analyzer会把AST上所有Unresolved的东西都转换为Resolved状态,SparkSQL有很多Resolve规则:
- ResolverRelations:解析表(列)的基本类型信息
- ResolveFunctions:解析出来函数的基本信息
- ResolveReferences:解析引用,通常是解析列名
常见优化逻辑
这里用到的优化有:谓词下推(Push Down Predicate)、常量折叠(Constant Folding)、字段裁剪(Columning Pruning):
做完逻辑优化,还需要先转换为物理执行计划,将逻辑上可行的执行计划变为Spark可以真正执行的计划:
SparkSQL 把逻辑节点转换为了相应的物理节点,比如Join算子,Spark根据不同的场景为该算子制定了不同的算法策略。
数据在一个一个的Plan中流转,然后每个plan里面表达式都会对数据进行处理,就相当于经过了一个个小函数的调用处理,这里面有大量的函数调用开销,可以把这些小函数内联一下,当成一个大函数。可以看到最终执行计划每个节点面前有个*号,说明整段代码生成被启用。